Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto
Autor(a) principal: | |
---|---|
Data de Publicação: | 1994 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
Texto Completo: | https://hdl.handle.net/20.500.12733/1586586 |
Resumo: | Organizador: Marcio Luiz de Andrade Neto |
id |
UNICAMP-30_6473a3a08343eefead58a5ba97d85524 |
---|---|
oai_identifier_str |
oai::135117 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remotoRedes neurais (Computação)Sensoriamento remotoOrganizador: Marcio Luiz de Andrade NetoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia EletricaResumo: Redes Neurais Artificiais são modelos computacionais inspirados no sistema nervoso biológico. Seus elementos de processamento são neurônios que produzem a soma ponderada das entradas e aplicam o resultado a uma função de transferência não linear, para gerar uma saída. Estes mojdelos têm-se mostrado adequados para o reconhecimento de padrões e classificação de dados mufltiespectrais de Sensoriamento Remoto. Neste contexto, foi desenvolvido um trabalho com o objetivo de implementar uma Rede Neural Multicamadas com algoritmo de treinamento "Bi Lckpropagation", para utilização na classificação de ura segmento de imagem TM/LANDSAT, ref;rente a uma área teste pré-selecionada e comparar os seus resultados com os de um cia isificador de Máxima Verossimilhança (MAXVER). O treinamento da Rede foi feito segundo trê: abordagens distintas, inicialmente com a apresentação pixel a pixel e, em seguida, da aqi isição de grupos de pixels. Os resultados obtidos mostram que, genericamente, à medida que sãc incorporadas informações de vizinhança ao treinamento da Rede, ocorre um melhor dei empenho do classificador. A comparação das classificações geradas pela Rede com aquelas obl idas com a aplicação do MAXVER mostrou um melhor desempenho da Rede, em termos de número de pixel classificados e similaridade com a verdade terrestre, quando se consideram condições semelhantes de amostragem durante o treinamento. Isto permite concluir que o treinamento da Rede Neural não implica em uma localização tão criteriosa das amostras, nem quj: o tamanho amostrai seja tão abrangente quanto no caso do MAXVERAbstract: Artificial Neural Networks are computing models inspired in the biological nervous system, whose processing elements are neurons highly interconnected which produce a pondered sum of the fentrances and use the result to a function of non-linear transfer in order to generate a way out. These models have shown to be adequate to a Pattern Recognition and to the Remote Sent ling Multiespectral data classification, as well. Thus, an interesting task has been developed aiming to implement a multilayer Perception Neural Network with Backpropagation training and using it to serve as a digital classification of an area test segment of a TM/LANDSAT image, refaing to a preselected test area and so comparing the result of the utilization of this algorithm to tie result of a Maximum Likelihood algorithm classification. The Neural Net training was mac e through three different approaches: at the beginning using a pixel to pixel presentation and, as a sequence the acquisition of pixel groups. The result showed that as the information collected firon the neighborhood is incorporated to the network training, there will be a superior performance of the classifier. Moreover, the neural network classification resulted in a fewer nunber of non-classified pixels and a better similarity with ground truth than MAXVER classification. This allowed us to conclude that the Neural Network training is faster and easier thai] the training of a MAXVER classification algorithmMestradoMestre em Engenharia Elétrica[s.n.]Andrade Netto, Marcio Luiz de, 1947-2019Universidade Estadual de Campinas. Faculdade de Engenharia ElétricaPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSchlunzen, Elisa Tomoe Moriya19941994-03-23T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf112f. : il.https://hdl.handle.net/20.500.12733/1586586SCHLUNZEN, Elisa Tomoe Moriya. Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto. 1994. 112f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1586586. Acesso em: 14 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/135117porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T02:50:14Zoai::135117Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T02:50:14Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
title |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
spellingShingle |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto Schlunzen, Elisa Tomoe Moriya Redes neurais (Computação) Sensoriamento remoto |
title_short |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
title_full |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
title_fullStr |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
title_full_unstemmed |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
title_sort |
Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto |
author |
Schlunzen, Elisa Tomoe Moriya |
author_facet |
Schlunzen, Elisa Tomoe Moriya |
author_role |
author |
dc.contributor.none.fl_str_mv |
Andrade Netto, Marcio Luiz de, 1947-2019 Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Schlunzen, Elisa Tomoe Moriya |
dc.subject.por.fl_str_mv |
Redes neurais (Computação) Sensoriamento remoto |
topic |
Redes neurais (Computação) Sensoriamento remoto |
description |
Organizador: Marcio Luiz de Andrade Neto |
publishDate |
1994 |
dc.date.none.fl_str_mv |
1994 1994-03-23T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/1586586 SCHLUNZEN, Elisa Tomoe Moriya. Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto. 1994. 112f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1586586. Acesso em: 14 mai. 2024. |
url |
https://hdl.handle.net/20.500.12733/1586586 |
identifier_str_mv |
SCHLUNZEN, Elisa Tomoe Moriya. Redes neurais aplicadas em classificação de dados multiespectrais de sensoriamento remoto. 1994. 112f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1586586. Acesso em: 14 mai. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/135117 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 112f. : il. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1799138336026132480 |